論文の概要: Deep-Learning based Inverse Modeling Approaches: A Subsurface Flow Example

• arxiv url: http://arxiv.org/abs/2007.15580v1
• Date: Tue, 28 Jul 2020 15:31:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:11:04.483908
• Title: Deep-Learning based Inverse Modeling Approaches: A Subsurface Flow Example
• Title（参考訳）: 深層学習に基づく逆モデリング手法:地下流れの例
• Authors: Nanzhe Wang, Haibin Chang, and Dongxiao Zhang
• Abstract要約: 理論誘導ニューラルネットワーク(TgNN)は、不確実なモデルパラメータの問題に対するディープラーニングサロゲートとして構築されている。 直接逆モデリングでは,TgNNが地理情報に制約を課した直接深層学習逆変換法が提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep-learning has achieved good performance and shown great potential for solving forward and inverse problems. In this work, two categories of innovative deep-learning based inverse modeling methods are proposed and compared. The first category is deep-learning surrogate-based inversion methods, in which the Theory-guided Neural Network (TgNN) is constructed as a deep-learning surrogate for problems with uncertain model parameters. By incorporating physical laws and other constraints, the TgNN surrogate can be constructed with limited simulation runs and accelerate the inversion process significantly. Three TgNN surrogate-based inversion methods are proposed, including the gradient method, the iterative ensemble smoother (IES), and the training method. The second category is direct-deep-learning-inversion methods, in which TgNN constrained with geostatistical information, named TgNN-geo, is proposed for direct inverse modeling. In TgNN-geo, two neural networks are introduced to approximate the respective random model parameters and the solution. Since the prior geostatistical information can be incorporated, the direct-inversion method based on TgNN-geo works well, even in cases with sparse spatial measurements or imprecise prior statistics. Although the proposed deep-learning based inverse modeling methods are general in nature, and thus applicable to a wide variety of problems, they are tested with several subsurface flow problems. It is found that satisfactory results are obtained with a high efficiency. Moreover, both the advantages and disadvantages are further analyzed for the proposed two categories of deep-learning based inversion methods.
• Abstract（参考訳）: ディープラーニングは優れたパフォーマンスを達成し、前方および逆の問題を解決する大きな可能性を示した。 本研究では,革新的深層学習に基づく逆モデリング手法の2つのカテゴリを提案し,比較した。 第1のカテゴリは、モデルパラメータの不確定な問題に対するディープラーニングサロゲートとして、理論誘導ニューラルネットワーク(TgNN)を構築するディープラーニングサロゲートベースのインバージョン手法である。 物理法則やその他の制約を取り入れることで、TgNNサロゲートは限られたシミュレーション実行で構築でき、インバージョンプロセスを著しく加速することができる。 勾配法,反復型アンサンブル・スムーザ法(ies),訓練法など,tgnnサロゲートに基づく3つの逆変換法が提案されている。 第2のカテゴリは、直接深層学習逆変換法であり、TgNNは、直接逆モデリングのために、TgNN-geoと呼ばれる統計情報に制約される。 tgnn-geoでは、各ランダムモデルパラメータと解を近似するために2つのニューラルネットワークが導入された。 事前の統計情報を組み込むことができるので,空間的測定が乏しい場合や事前統計が不正確である場合においても,tgnn-geoに基づく直接反転手法が有効である。 提案した深層学習に基づく逆モデリング手法は, 自然界において一般的であり, 様々な問題に適用できるが, 地下流れの問題もいくつかある。 その結果,高い効率で良好な結果が得られることがわかった。 さらに,深層学習に基づく逆解析手法の2つのカテゴリについて,その利点と欠点をさらに分析した。

関連論文リスト

• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• A Test-Time Learning Approach to Reparameterize the Geophysical Inverse Problem with a Convolutional Neural Network [1.7396556690675236]
  明示的な正規化はよく用いられるが、ニューラルネットワーク構造に固有の暗黙的な正規化効果を探求する機会がある。 研究者たちは、畳み込みニューラルネットワーク(CNN)アーキテクチャが本質的に正規化を強制していることを発見した。 本研究では,この暗黙的正則化の地学逆転への適用性について検討する。
  論文  参考訳（メタデータ） (2023-12-07T23:53:30Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Finite Element Method-enhanced Neural Network for Forward and Inverse Problems [0.0]
  本稿では,古典的有限要素法(FEM)とニューラルネットワークを組み合わせた新しいハイブリッド手法を提案する。 有限要素法とニューラルネットワークからのカスタム損失関数の残余をマージしてアルゴリズムを構成する。 提案手法は実時間シミュレーションにおける代理モデルに利用できる。
  論文  参考訳（メタデータ） (2022-05-17T13:18:14Z)
• AdaSTE: An Adaptive Straight-Through Estimator to Train Binary Neural Networks [34.263013539187355]
  重み付きディープニューラルネットワーク(DNN)を学習するための新しいアルゴリズムを提案する。 実験により,本アルゴリズムは既存手法と比較して良好な性能を示した。
  論文  参考訳（メタデータ） (2021-12-06T09:12:15Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Stochastic analysis of heterogeneous porous material with modified neural architecture search (NAS) based physics-informed neural networks using transfer learning [0.0]
  修正ニューラルアーキテクチャ探索法(NAS)に基づく物理インフォームド深層学習モデルを提案する。 高度不均質帯水層における地下水流動シミュレーションのベンチマークを行うため, 三次元流れモデルを構築した。
  論文  参考訳（メタデータ） (2020-10-03T19:57:54Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。